🤖 machine learning

Effective Capacitance Modeling Using Graph Neural Networks

यह शोध पत्र GNN-Ceff को प्रस्तुत करता है, जो पोस्ट-लेआउट प्रभावी कैपेसिटेंस मॉडलिंग के लिए पहला ग्राफ न्यूरल नेटवर्क-आधारित तरीका है, जो GPU पैरेललाइजेशन का लाभ उठाकर 929x की गति वृद्धि प्राप्त करके सटीकता और गति दोनों में मौजूदा ह्यूरिस्टिक्स से काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Eren Dogan, Matthew R. Guthaus

प्रकाशित 2026-05-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Eren Dogan, Matthew R. Guthaus

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ इस शोध पत्र का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

बड़ी तस्वीर: चिप डिज़ाइन का "ट्रैफ़िक जाम"

कल्पना कीजिए कि आप एक विशाल शहर (एक कंप्यूटर चिप) डिज़ाइन कर रहे हैं। आपको यह तय करना है कि घर कहाँ बनाने हैं (प्लेसमेंट) और सड़कें कैसे बिछानी हैं (रूटिंग)। लेकिन एक पेंच है: जब तक आप सड़कें बनाना पूरा नहीं कर लेते, तब तक आप यह नहीं जान सकते कि सड़कों पर ट्रैफ़िक जाम (टाइमिंग एरर) होगा या नहीं। फिर भी, बेहतर निर्णय लेने के लिए आपको निर्माण पूरा होने से पहले ही ट्रैफ़िक के बारे में जानना ज़रूरी है।

चिप डिज़ाइन की दुनिया में, इस "ट्रैफ़िक" को स्टैटिक टाइमिंग एनालिसिस (STA) कहा जाता है। यह जाँचता है कि क्या सिग्नल चिप के माध्यम से पर्याप्त तेज़ी से यात्रा कर पा रहे हैं। इस जाँच का एक महत्वपूर्ण हिस्सा है जिसे इफेक्टिव कैपेसिटेंस ( $C_{eff}$ ) कहा जाता है।

कैपेसिटेंस (Capacitance) को एक धावक (इलेक्ट्रिकल सिग्नल) द्वारा ढोए जाने वाले भारी बैकपैक के वजन की तरह समझें।

टोटल कैपेसिटेंस ( $C_{total}$ ) पूरे बैकपैक का कुल वजन है।
इफेक्टिव कैपेसिटेंस ( $C_{eff}$ ) वह वास्तविक वजन है जिसे धावक महसूस करता है।

क्योंकि सड़कों (तारों) में रेजिस्टेंस (घर्षण/रगड़) होता है, इसलिए धावक को तुरंत पूरे बैकपैक का वजन महसूस नहीं होता। यह "घर्षण" उन्हें वजन के कुछ हिस्से को महसूस करने से रोकता है। यदि आप वजन का गलत अनुमान लगाते हैं, तो आपको लग सकता है कि धावक पर्याप्त तेज़ है जबकि वास्तव में वह नहीं है, जिससे चिप खराब हो सकती है।

समस्या: पुराना तरीका धीमा और बोझिल है

इस "प्रभावी वजन" को समझने के लिए, इंजीनियर वर्तमान में ओ'ब्रायन/डार्टू ह्यूरिस्टिक (O'Brien/Dartu heuristic) नामक विधि का उपयोग करते हैं।

उदाहरण: कल्पना कीजिए कि आप हर एक स्ट्रैप, बकल और कपड़े के टुकड़े को मैन्युअल रूप से मापकर और फिर शहर की हर एक सड़क के लिए एक जटिल गणितीय समीकरण हल करके बैकपैक का वजन निकालने की कोशिश कर रहे हैं।
समस्या: यह प्रक्रिया एक समय में एक सड़क (सीरियली) करके की जाती है। यह पर्याप्त सटीक है, लेकिन अविश्वसनीय रूप से धीमी है। यह एक कैलकुलेटर के साथ एक-एक करके लाखों गणितीय समस्याओं को हल करने जैसा है। यदि आप अलग-अलग मौसम की स्थितियों (तापमान, वोल्टेज) के तहत चिप की जाँच करना चाहते हैं, तो आपको यह पूरी प्रक्रिया फिर से करनी होगी, जिससे यह प्रक्रिया और भी धीमी हो जाती है।

समाधान: "सुपर-इंटेलिजेंट" ट्रैफिक पुलिस (GNN-Ceff)

इस शोध पत्र के लेखक, एरेन डोगन और मैथ्यू गुथॉस ने GNN-Ceff नामक एक नया टूल बनाया है। उन्होंने ग्राफ न्यूरल नेटवर्क (GNN) नामक आर्टिफिशियल इंटेलिजेंस के एक प्रकार का उपयोग किया है।

यहाँ बताया गया है कि उन्होंने इसे कैसे काम करने के योग्य बनाया, सरल चरणों में:

1. सड़कों को एक मानचित्र में बदलना (ग्राफ रिप्रेजेंटेशन)
तारों को केवल रेखाओं के रूप में देखने के बजाय, उन्होंने पूरे सर्किट को एक "मानचित्र" (ग्राफ) में बदल दिया जहाँ:

नोड्स (Nodes) स्टॉप (पिन्स) और चौराहे हैं।
एजेस (Edges) उन्हें जोड़ने वाली सड़कें हैं।
उन्होंने तारों को भी नोड्स में बदल दिया ताकि AI तार के हिस्सों के रेजिस्टेंस और कैपेसिटेंस को स्पष्ट रूप से "देख" सके।

2. "नकली" ट्रैफ़िक के साथ AI को प्रशिक्षित करना
असली चिप डिज़ाइन बहुत अव्यवस्थित होते; अधिकांश सड़कें छोटी होती हैं, और बहुत कम लंबी होती हैं। यदि वे केवल असली डिज़ाइनों पर AI को प्रशिक्षित करते, तो AI छोटी सड़कों में तो अच्छा होता लेकिन लंबी, जटिल सड़कों पर विफल हो जाता।

उदाहरण: यह एक ड्राइवर को केवल शांत मोहल्लों की गलियों में सिखाने जैसा है। वे हाईवे पर दुर्घटनाग्रस्त हो जाएंगे।
समाधान: उन्होंने एक कंप्यूटर प्रोग्राम का उपयोग करके हर संभव लंबाई और आकार की 10,000 सिंथेटिक (नकली) सड़कें बनाईं। उन्होंने AI को इस विविध "नकली" डेटा पर प्रशिक्षित किया ताकि वह केवल विशिष्ट सड़कों को याद न करे, बल्कि भौतिकी (physics) के नियमों को सीख सके।

3. "जादुई" भविष्यवाणी
प्रशिक्षित होने के बाद, AI एक सर्किट मैप को देखता है और तुरंत "प्रभावी वजन" (इफेक्टिव कैपेसिटेंस) की भविष्यवाणी करता है।

परिणाम: इसे जटिल समीकरणों को चरण-दर-चरण हल करने की आवश्यकता नहीं है। यह बस पैटर्न को "देखता" है और कहता है, "मैंने यह पहले देखा है; वजन X है।"

परिणाम: गति और सटीकता

यह शोध पत्र उनके नए AI तरीके की तुलना पुराने "मैन्युअल गणना" वाले तरीके से करता है।

सटीकता (Accuracy): AI वास्तव में पुराने तरीके से अधिक सटीक है। पुराना तरीका कभी-कभी पूरी तरह विफल हो जाता है (नेगेटिव वजन या असंभव संख्या दे देता है), लेकिन AI कभी विफल नहीं होता। यह एक ऐसे GPS की तरह है जो आपको कभी भी खाई में गाड़ी चलाने के लिए नहीं कहता।
गति (बड़ी जीत): यहीं पर AI चमकता है। क्योंकि AI एक GPU (एक ग्राफिक्स कार्ड जो एक साथ लाखों चीजें करने के लिए डिज़ाइन किया गया है) पर चलता है, यह हजारों सड़कों की एक साथ जाँच कर सकता है।
- उदाहरण: पुराना तरीका एक व्यक्ति द्वारा एक-एक करके हर सड़क की जाँच करने जैसा है। नया तरीका 1,000 ड्रोन्स के बेड़े जैसा है जो एक ही समय में सभी सड़कों की जाँच कर रहे हैं।
- आंकड़े: वास्तविक दुनिया के चिप डिज़ाइनों पर, नया तरीका सिंगल कंप्यूटर कोर पर चलने वाले पुराने तरीके की तुलना में 929 गुना तेज़ था। यहाँ तक कि 64 कोर पर चलने वाले पुराने तरीके की तुलना में भी, AI 15 गुना तेज़ था।

सारांश

यह शोध पत्र GNN-Ceff को पेश करता है, जो यह गणना करने का एक नया तरीका है कि कंप्यूटर चिप के माध्यम से सिग्नल कितनी तेज़ी से चलते हैं।

पुराना तरीका: धीमा, मैन्युअल गणित जो एक बार में एक सड़क पर किया जाता है। कभी-कभी यह गलत भी हो जाता है।
नया तरीका: एक AI जिसे लाखों नकली सड़कों पर प्रशिक्षित किया गया है और जो एक साथ पूरे मानचित्र को देखता है।
लाभ: यह अविश्वसनीय रूप से तेज़ (सैकड़ों गुना तेज़) और बहुत सटीक है, जिससे चिप डिज़ाइनर गुणवत्ता से समझौता किए बिना अपने काम की जाँच बहुत तेज़ी से कर सकते हैं।

लेखक इस बात पर ज़ोर देते हैं कि यह पहली बार है जब इस विशिष्ट प्रकार के AI (ग्राफ न्यूरल नेटवर्क) का उपयोग चिप डिज़ाइन उद्योग में इस विशिष्ट कार्य (पोस्ट-लेआउट इफेक्टिव कैपेसिटेंस) के लिए किया गया है।

तकनीकी सारांश: ग्राफ न्यूरल नेटवर्क का उपयोग करके प्रभावी धारिता (Capacitance) मॉडलिंग

समस्या विवरण
स्टैटिक टाइमिंग एनालिसिस (STA) VLSI डिज़ाइन फ्लो का एक महत्वपूर्ण घटक है, फिर भी यह एक चक्रीय निर्भरता (cyclical dependency) का सामना करता है जहाँ टाइमिंग विश्लेषण प्लेसमेंट और रूटिंग पर निर्भर करता है, जबकि उन चरणों की दक्षता टाइमिंग भविष्यवाणियों पर निर्भर करती है। STA में एक मौलिक बाधा प्रभावी धारिता ( $C_{eff}$ ) की गणना करना है, जो सटीक गेट डिले गणना के लिए आवश्यक है। पारंपरिक विधियाँ इटरेटिव ह्यूरिस्टिक्स (iterative heuristics) पर निर्भर करती हैं, जैसे कि ओ'ब्रायन $\pi$ -मॉडल (O'Brien $\pi$ -model) और डार्टू एल्गोरिदम (Dartu algorithm) का संयोजन, जो $C_{eff}$ का अनुमान लगाने के लिए उपयोग किए जाते हैं। इन विधियों में जटिल RC इंटरकनेक्ट नेटवर्क को सरल बनाने और वर्तमान वेवफॉर्म से मेल खाने के लिए $C_{eff}$ को इटरेटिव रूप से हल करने की प्रक्रिया शामिल है। हालाँकि, इन दृष्टिकोणों की कुछ सीमाएँ हैं:

सटीकता (Accuracy): वे मान्यताओं (जैसे, निश्चित ड्राइविंग रेजिस्टेंस, सरल रैंप स्ल्यूज़) पर निर्भर करते हैं जो अशुद्धता ला सकती हैं, विशेष रूप से आधुनिक प्रक्रियाओं में जहाँ महत्वपूर्ण रेजिस्टिव शील्डिंग प्रभाव होते हैं।
मजबूती (Robustness): ह्यूरिस्टिक्स कन्वर्ज (converge) होने में विफल हो सकते हैं, जिससे भौतिक रूप से असंभव मान (जैसे, $C_{eff} < 0$ या $C_{eff} > C_{total}$ ) प्राप्त होते हैं, जिससे टूल्स को निराशावादी लम्पड कैपेसिटेंस मॉडल (pessimistic lumped capacitance models) का उपयोग करने के लिए मजबूर होना पड़ता है।
गति (Speed): $C_{eff}$ की गणना करना कम्प्यूटेशनल रूप से महंगा है, विशेष रूप से जब इसे कई प्रोसेस-वोल्टेज-टेम्परेचर (PVT) कॉर्नर्स और सांख्यिकीय परिदृश्यों के माध्यम से किया जाता है जो मजबूत साइन-ऑफ (sign-off) के लिए आवश्यक हैं।

कार्यप्रणाली (Methodology)
लेखक GNN-Ceff का प्रस्ताव करते हैं, जो पोस्ट-लेआउट प्रभावी धारिता मॉडलिंग के लिए पहला ग्राफ न्यूरल नेटवर्क (GNN) आधारित तरीका है। यह दृष्टिकोण RC इंटरकनेक्ट नेटवर्क को एक ग्राफ के रूप में मानता है और सीधे $C_{eff}$ की भविष्यवाणी करना सीखता है, जिससे इटरेटिव रिडक्शन स्टेप्स की आवश्यकता समाप्त हो जाती है।

ग्राफ प्रतिनिधित्व (Graph Representation): लेखक निकाले गए RC नेटवर्क ( $G_{RC}$ ) को एक GNN ग्राफ ( $G_{GNN}$ ) में मैप करते हैं। एज फीचर्स (edge features) को संभालने में मानक "नोड-सेंट्रिक" GNN की सीमाओं को दूर करने के लिए, वे सर्किट नोड्स (पिन्स/जंक्शन) और वायर (एजेस) दोनों को ग्राफ में नोड्स के रूप में दर्शाते हैं। ग्राफ का आकार कम करने के लिए जंक्शन नोड्स को बाद में हटा दिया जाता है, जबकि कनेक्टिविटी बनी रहती है।
फीचर इंजीनियरिंग (Feature Engineering): नोड फीचर्स में ड्राइवर/फैनआउट फ्लैग्स, इनपुट स्ल्यू ( $t_\Delta$ ), ड्राइवर रेजिस्टेंस ( $R_d$ ), पिन कैपेसिटेंस ( $C_p$ ), वायर रेजिस्टेंस ( $R_w$ ), और वायर कैपेसिटेंस ( $C_w$ ) शामिल हैं। महत्वपूर्ण रूप से, मॉडल एल्मोर डिले (Elmore delay) मॉडल के समान संदर्भ प्रदान करने के लिए संचयी अपस्ट्रीम रेजिस्टेंस ( $R_u$ ) और डाउनस्ट्रीम कैपेसिटेंस ( $C_d$ ) के साथ-साथ ड्राइवर से हॉप काउंट (hop counts) को शामिल करता है।
मॉडल आर्किटेक्चर (Model Architecture): मॉडल कई अटेंशन हेड्स के साथ ग्राफ अटेंशन नेटवर्क्स (GATs) का उपयोग करता है ताकि पड़ोसियों के बीच संबंधों को सीखा जा सके। इसके बाद ग्राफ-लेवल पूलिंग के लिए एक अटेंशनल एग्रीगेशन लेयर का उपयोग किया जाता है, जो स्पष्ट रूप से मॉडल ऑर्डर रिडक्शन (MOR) करता है। एग्रीगेटेड फीचर्स को $C_{eff}/C_{total}$ के अनुपात की भविष्यवाणी करने के लिए मल्टी-लेयर परसेप्ट्रॉन (MLP) में फीड किया जाता है।
प्रशिक्षण रणनीति (Training Strategy): वास्तविक दुनिया के डिजाइनों में नेट साइज के विषम वितरण (skewed distribution) को दूर करने के लिए (जहाँ अधिकांश नेट छोटे होते हैं), लेखकों ने GeoSteiner टूल का उपयोग करके एक सिंथेटिक ट्रेनिंग डेटासेट तैयार किया है। इस डेटासेट में समान रूप से वितरित नेट डिग्री और $C_{eff}$ मान हैं, जो यह सुनिश्चित करता है कि मॉडल बड़े, अधिक जटिल नेटों के लिए सामान्यीकरण (generalize) कर सके। मॉडल को इस सिंथेटिक डेटा पर प्रशिक्षित किया गया है लेकिन ASAP7 टेक्नोलॉजी नोड का उपयोग करके OpenROAD फ्लो से वास्तविक बेंचमार्क पर इसका मूल्यांकन किया गया है।

प्रमुख योगदान (Key Contributions)

पोस्ट-लेआउट $C_{eff}$ के लिए प्रथम GNN: यह पेपर भौतिक डिजाइन पूरा होने के बाद प्रभावी धारिता की भविष्यवाणी करने के लिए GNN के पहले अनुप्रयोग को पेश करता है।
स्पष्ट MOR (Implicit MOR): मॉडल ग्राफ पूलिंग और अटेंशन मैकेनिज्म के माध्यम से लर्निंग प्रक्रिया में सीधे मॉडल ऑर्डर रिडक्शन को एकीकृत करता है, जिससे स्पष्ट, असतत (discrete) रिडक्शन स्टेप्स की आवश्यकता समाप्त हो जाती है।
सिंथेटिक डेटा ट्रेनिंग: लेखक एक ऐसी कार्यप्रणाली प्रदर्शित करते हैं जहाँ समान रूप से वितरित सिंथेटिक डेटा पर प्रशिक्षित मॉडल वास्तविक दुनिया के विषम वितरण पर उच्च सटीकता प्राप्त करता है।
हाइपरपैरामीटर ऑप्टिमाइजेशन (Hyperparameter Optimization): GNN आर्किटेक्चर को अनुकूलित करने के लिए एक व्यवस्थित खोज की गई, जिसमें लेयर्स की संख्या, अटेंशन हेड्स और ड्रॉपआउट रेट शामिल हैं।

परिणाम (Results)
विधि का मूल्यांकन ASAP7 टेक्नोलॉजी नोड पर विशिष्ट, फास्ट और स्लो PVT कॉर्नर्स के तहत एक पूर्ण ओपन-सोर्स RTL2GDS टूल फ्लो (OpenROAD) का उपयोग करके किया गया।

सटीकता (Accuracy):
- OpenROAD विशिष्ट डेटासेट पर, GNN-Ceff ने ओ'ब्रायन/डार्टू ह्यूरिस्टिक के 0.01 fF की तुलना में 0.01 fF का मीन एब्सोल्यूट एरर (MeAE) प्राप्त किया।
- सिंथेटिक डेटासेट पर (जिसमें बड़े, अधिक चुनौतीपूर्ण नेट शामिल हैं), GNN-Ceff ने 0.24 fF का MeAE प्राप्त किया, जो ओ'ब्रायन/डार्टू ह्यूरिस्टिक (जिसका MeAE 7.85 fF था) से काफी बेहतर है।
- मजबूती (Robustness): ह्यूरिस्टिक के विपरीत, जो सिंथेटिक मामलों में से 6.19% (और OpenROAD मामलों में 0.07%) तक वैध $C_{eff}$ की गणना करने में विफल रहा, GNN-Ceff कभी भी परिणाम देने में विफल नहीं हुआ। अंतिम लेयर में सिग्मॉइड एक्टिवेशन फंक्शन यह सुनिश्चित करता है कि भविष्यवाणियाँ भौतिक रूप से संभव सीमाओं (0 से 1 अनुपात) के भीतर रहें।
गति (Speed):
- GPU पैरेललाइजेशन का लाभ उठाते हुए, GNN-Ceff ने सीरियल रूप से चलने वाले स्टेट-ऑफ-द-आर्ट ह्यूरिस्टिक की तुलना में महत्वपूर्ण गति वृद्धि (speedup) दिखाई।
- OpenROAD डेटासेट पर, GNN-Ceff ने सीरियल ओ'ब्रायन/डार्टू विधि की तुलना में 929x की गति वृद्धि प्राप्त की।
- यहाँ तक कि जब ओ'ब्रायन/डार्टू ह्यूरिस्टिक को 64 CPU कोर पर समानांतर (parallel) चलाया गया, तब भी GNN-Ceff (एक सिंगल GPU पर चलते हुए) ने OpenROAD डेटासेट पर 15x की गति वृद्धि और सिंथेटिक डेटासेट पर 3x की गति वृद्धि बनाए रखी।

महत्व (Significance)
यह पेपर दावा करता है कि GNN-Ceff वर्तमान ह्यूरिस्टिक्स की तुलना में जो विधि अधिक सटीक और कई गुना तेज़ है, वह VLSI टाइमिंग विश्लेषण में एक महत्वपूर्ण प्रगति है। उच्च सटीकता प्राप्त करके और कन्वर्जेंस विफलता के जोखिम के बिना, और GPU पैरेललाइजेशन का लाभ उठाकर, यह विधि कई कॉर्नर्स में तेज़ टाइमिंग वेरिफिकेशन को सक्षम बनाती है। यह क्षमता डिज़ाइन के शुरुआती चरणों (प्लेसमेंट और रूटिंग) की दक्षता में सुधार करने के लिए एक साधन के रूप में प्रस्तुत की गई है, जो अंततः VLSI डिज़ाइन फ्लो में बेहतर पावर, परफॉरमेंस और एरिया (PPA) परिणामों में योगदान देती है।